MétaCan
Menu
Retour à la cohorte
Enregistrement W2585838985 · doi:10.1101/104711

Progress Towards a Public Chemogenomic Set for Protein Kinases and a Call for Contributions

2017· preprint· en· W2585838985 sur OpenAlexfundno aff
David H. Drewry, Carrow I. Wells, David Andrews, Richard Angell, Hassan Al‐Ali, Alison D. Axtman, Stephen J. Capuzzi, Jonathan M. Elkins, Peter Ettmayer, Mathias Frederiksen, O. Gileadi, Nathanael S. Gray, Alice Hooper, Stefan Knapp, Stefan Laufer, Ulrich Luecking, Susanne Müller, Eugene Muratov, R. Aldrin Denny, Kumar Singh Saikatendu, Daniel K. Treiber, William J. Zuercher, Timothy M. Willson

Notice bibliographique

RevuebioRxiv (Cold Spring Harbor Laboratory) · 2017
Typepreprint
Langueen
DomaineComputer Science
ThématiqueComputational Drug Discovery Methods
Établissements canadiensnon disponible
Organismes subventionnairesEuropean Federation of Pharmaceutical Industries and AssociationsEshelman Institute for Innovation, University of North Carolina at Chapel HillNovartis PharmaGenome Canada
Mots-clésKinomeKinaseDrug discoveryComputational biologyFunction (biology)Complement (music)Set (abstract data type)Protein functionComputer scienceBiologyBioinformaticsCell biologyBiochemistryGene

Résumé

récupéré en direct d'OpenAlex

Abstract Protein kinases are highly tractable targets for drug discovery. However, the biological function and therapeutic potential of the majority of the 500+ human protein kinases remains unknown. We have developed physical and virtual collections of small molecule inhibitors, which we call chemogenomic sets, that are designed to inhibit the catalytic function of almost half the human protein kinases. In this manuscript we share our progress towards generation of a comprehensive kinase chemogenomic set (KCGS), release kinome profiling data of a large inhibitor set (Published Kinase Inhibitor Set 2 (PKIS2)), and outline a process through which the community can openly collaborate to create a KCGS that probes the full complement of human protein kinases.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Communication savante
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: aucune
Score de désaccord entre enseignants0,680
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,001
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,000
Communication savante0,0020,001
Science ouverte0,0020,002
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,040
Tête enseignante GPT0,304
Écart entre enseignants0,263 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations24
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuebioRxiv (Cold Spring Harbor Laboratory)Même sujetComputational Drug Discovery MethodsTravaux en français237 207